# Import Library (Satu-satunya sel kode dalam template ini)
import numpy as np
import matplotlib.pyplot as plt
import librosa
import soundfile as sf
from PIL import Image
import cv2
from IPython.display import Audio, HTML, display
import os
import matplotlib

# Set matplotlib untuk menampilkan plot inline
%matplotlib inline

# Tampilkan versi library untuk dokumentasi
print("Library versions:")
print(f"NumPy: {np.__version__}")
print(f"Matplotlib: {matplotlib.__version__}")
print(f"Librosa: {librosa.__version__}")
print(f"OpenCV: {cv2.__version__}")

# Tambahkan import lain jika diperlukan saat mengerjakan tugas

Library versions:
NumPy: 2.2.6
Matplotlib: 3.10.6
Librosa: 0.11.0
OpenCV: 4.12.0

audio_path = 'data\suara-kucing-marah.wav' #path audio
audio_data, sample_rate = sf.read(audio_path) #membaca file audio
duration = len(audio_data) / sample_rate #menghitung durasi audio
channels = audio_data.shape[1] if audio_data.ndim > 1 else 1 #menghitung jumlah kanal, kalau data punya dimensi > 1 maka stereo (menggunakan shape[1])
total_samples = audio_data.shape[0] #menghitung jumlah total sampel

from IPython.display import Audio

# Menampilkan informasi audio
print(f"Sample rate: {sample_rate} Hz")
print(f"Durasi: {duration:.2f} detik")
print(f"Jumlah kanal: {channels} ({'Stereo' if channels == 2 else 'Mono'})")
print(f"Jumlah total sampel: {total_samples}")
Audio(audio_path)

Sample rate: 44100 Hz
Durasi: 44.98 detik
Jumlah kanal: 2 (Stereo)
Jumlah total sampel: 1983488

# Plot waveform audio
time_axis = np.linspace(0, duration, total_samples) #membuat sumbu waktu, dari 0 sampai durasi, dengan total_samples jumlah titik

plt.figure(figsize=(12, 4))

for ch in range(channels):
    plt.plot(time_axis, audio_data[:, ch], label=f'Channel {ch+1}')

plt.title('Waveform Audio: Suara Kucing Marah') 
plt.xlabel('Waktu (detik)') #sumbu x adalah waktu dalam detik
plt.ylabel('Amplitudo') #sumbu y adalah amplitudo
plt.legend()
plt.tight_layout()
plt.show()

from IPython.display import Audio
Audio(audio_path)

audio_data, sample_rate = librosa.load('data\suara-kucing-marah.wav', sr=None, mono=False)

# Jika stereo ambil channel kiri (0); jika mono langsung audio_data
if audio_data.ndim > 1:
    y = audio_data[0, :]  # channel kiri
else:
    y = audio_data

# Parameter STFT
n_fft = 1024
hop_length = 256

# Hitung STFT
stft = librosa.stft(y, n_fft=n_fft, hop_length=hop_length)
spectrogram_db = librosa.amplitude_to_db(np.abs(stft), ref=np.max)

# Buat axis waktu dan frekuensi
times = librosa.frames_to_time(
    np.arange(spectrogram_db.shape[1]), 
    sr=sample_rate, 
    hop_length=hop_length
)
freqs = librosa.fft_frequencies(sr=sample_rate, n_fft=n_fft)

# Plot
plt.figure(figsize=(12, 6))

# extent = [xmin, xmax, ymin, ymax]
plt.imshow(
    spectrogram_db,
    aspect='auto',
    origin='lower',
    extent=[times[0], times[-1], freqs[0], freqs[-1]],
    cmap='magma'
)

plt.title('Spectrogram (log-dB) Audio: Suara Kucing Marah')
plt.xlabel('Waktu (detik)')
plt.ylabel('Frekuensi (Hz)')
plt.colorbar(label='Intensitas (dB)')
plt.tight_layout()
plt.show()

if audio_data.ndim > 1:
    y = audio_data[0, :]  # ambil channel pertama
else:
    y = audio_data

n_fft = 1024
hop_length = 256

mfcc_15 = librosa.feature.mfcc(y=y, sr=sample_rate, n_mfcc=15,
                               n_fft=n_fft, hop_length=hop_length)

times = librosa.frames_to_time(np.arange(mfcc_15.shape[1]), sr=sample_rate, hop_length=hop_length)

plt.figure(figsize=(12, 6))
plt.imshow(mfcc_15, aspect='auto', origin='lower', 
           extent=[times[0], times[-1], 1, 15], cmap='viridis')
plt.title('MFCC (15 Koefisien)')
plt.xlabel('Waktu (detik)')
plt.ylabel('Koefisien MFCC')
plt.colorbar(label='Nilai MFCC')
plt.tight_layout()
plt.show()

# Baca gambar dengan OpenCV (BGR)
img_path = 'data/bunga-matahari.jpg' 
img_bgr = cv2.imread(img_path)

# Konversi BGR ke RGB
img_rgb = cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)

# Tampilkan gambar dalam format RGB
plt.figure(figsize=(8, 6))
plt.imshow(img_rgb)
plt.title('Gambar Bunga (Format RGB)')
plt.axis('off')
plt.show()

# Ambil metadata gambar
height, width = img_rgb.shape[:2]
channels_img = img_rgb.shape[2] if img_rgb.ndim == 3 else 1
dtype_img = img_rgb.dtype
mode_warna = "RGB" if channels_img == 3 else "Grayscale"
ukuran_memori = img_rgb.nbytes / 1024  # dalam KB

print(f"Dimensi (Height x Width): {height} x {width}")
print(f"Jumlah kanal: {channels_img}")
print(f"Tipe data (dtype): {dtype_img}")
print(f"Mode warna: {mode_warna}")
print(f"Ukuran file dalam memori: {ukuran_memori:.2f} KB")

Dimensi (Height x Width): 1106 x 736
Jumlah kanal: 3
Tipe data (dtype): uint8
Mode warna: RGB
Ukuran file dalam memori: 2384.81 KB

# Baca gambar
img = cv2.imread("data\bunga-matahari.jpg", cv2.IMREAD_COLOR)

# Hitung histogram untuk tiap channel
colors = ('r', 'g', 'b')
labels = ('Red', 'Green', 'Blue')

plt.figure(figsize=(10, 5))
for i, color in enumerate(colors):
    hist = cv2.calcHist([img_rgb], [i], None, [256], [0, 256])
    plt.plot(hist, color=color, label=labels[i])
    plt.xlim([0, 256])

# Label dan legend
plt.title("Histogram Warna Gambar (RGB)")
plt.xlabel("Intensitas Piksel (0-255)")
plt.ylabel("Frekuensi")
plt.legend()
plt.show()

# Path video
video_path = 'data\pemandangan alam .mp4'

# Baca video dengan OpenCV
cap = cv2.VideoCapture(video_path)

# Ambil metadata
width = int(cap.get(cv2.CAP_PROP_FRAME_WIDTH))
height = int(cap.get(cv2.CAP_PROP_FRAME_HEIGHT))
fps = cap.get(cv2.CAP_PROP_FPS)
total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
duration = total_frames / fps if fps > 0 else 0

# Klasifikasi resolusi
if width >= 3840 and height >= 2160:
    resolusi_label = "4K (Ultra HD)"
elif width >= 1920 and height >= 1080:
    resolusi_label = "Full HD (1080p)"
elif width >= 1280 and height >= 720:
    resolusi_label = "HD (720p)"
else:
    resolusi_label = "SD (Standard Definition)"

# Tampilkan metadata
print(f"Resolusi: {width} x {height} px")
print(f"Frame rate (FPS): {fps:.2f}")
print(f"Jumlah total frame: {total_frames}")
print(f"Durasi: {duration:.2f} detik")
print(f"Klasifikasi resolusi: {resolusi_label}")

cap.release()

Resolusi: 1920 x 1080 px
Frame rate (FPS): 30.00
Jumlah total frame: 850
Durasi: 28.33 detik
Klasifikasi resolusi: Full HD (1080p)

# Buka video
video_path = 'data\pemandangan alam .mp4'
cap = cv2.VideoCapture(video_path)

# Hitung total frame & fps
total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
fps = cap.get(cv2.CAP_PROP_FPS)  # frame per second

# Untuk menentukan index frame yang diambil (awal, tengah, akhir)
frame_indices = [0, total_frames // 2, total_frames - 1]

frames_rgb = []
timestamps = []

# Ambil frame representatif
for idx in frame_indices:
    cap.set(cv2.CAP_PROP_POS_FRAMES, idx) 
    ret, frame = cap.read()
    if not ret:
        print(f"Gagal membaca frame ke-{idx}")
        continue

    # Konversi BGR ke RGB
    frame_rgb = cv2.cvtColor(frame, cv2.COLOR_BGR2RGB)
    frames_rgb.append(frame_rgb)

    # Hitung timestamp (detik)
    time_sec = idx / fps
    timestamps.append(time_sec)

cap.release()

# Tampilkan di subplot
plt.figure(figsize=(15, 5))

for i, (frame_rgb, idx, t) in enumerate(zip(frames_rgb, frame_indices, timestamps)):
    plt.subplot(1, 3, i + 1)
    plt.imshow(frame_rgb)
    plt.title(f"Frame {idx}\nTimestamp: {t:.2f}s")
    plt.axis('off')

plt.tight_layout()
plt.show()

Aspek Penilaian	Bobot	Deskripsi
Kelengkapan	35%	Semua langkah inti dikerjakan sesuai checklist
Kualitas Visualisasi	20%	Judul, label sumbu, colorbar, legend, keterbacaan plot
Analisis & Interpretasi	30%	Kemampuan interpretasi hasil, bukan sekadar output mentah
Kerapihan & Struktur	10%	Markdown jelas, kode modular, dokumentasi baik
Orisinalitas & Penguasaan	5%	Pemahaman saat presentasi acak

Tugas Analisis Multimedia: Audio, Gambar, Video¶

Deskripsi Tugas¶

⚠️ CATATAN PENTING: PRESENTASI ACAK & KEJUJURAN AKADEMIK¶

Petunjuk Umum Pengerjaan¶

📋 Cara Menggunakan Template¶

📊 Standar Visualisasi¶

📂 Struktur Data yang Direkomendasikan¶

⚠️ Larangan¶

🎯 Persiapan Presentasi Acak¶

Checklist Kelengkapan (Centang ✅ saat selesai)¶

🎵 Bagian Audio¶

🖼️ Bagian Gambar¶

📹 Bagian Video¶

📝 Analisis & Dokumentasi¶

Pendahuluan¶

Apa itu Data Multimedia?¶

Tujuan Tugas¶

Cara Kerja¶

Bagian A — Audio¶

A1. Deskripsi Data¶

A2. TODO: Muat & Metadata¶

A3. TODO: Waveform¶

A4. TODO: Spectrogram log-dB¶

A5. TODO: MFCC¶

A6. Analisis Ringkas (Wajib)¶

Bagian B — Gambar¶

B1. Deskripsi Data¶

B2. TODO: Baca & Tampilkan (RGB)¶

B3. TODO: Informasi Dasar¶

B4. TODO: Histogram Warna¶

B5. Analisis Ringkas (Wajib)¶

Bagian C — Video¶

C1. Deskripsi Data¶

C2. TODO: Baca & Metadata¶

C3. TODO: Tampilkan 3 Frame (Awal–Tengah–Akhir)¶

C4. Analisis Ringkas (Wajib)¶

Perbandingan & Kesimpulan¶

Perbandingan Representasi Media¶

Audio (1D - Temporal)¶

Gambar (2D - Spasial)¶

Video (2D + Waktu - Spatio-temporal)¶

Refleksi Pembelajaran¶

3 Poin yang Saya Pelajari:¶

2 Hal yang Masih Membingungkan/Ingin Diperdalam:¶

Sumber Data & Referensi¶

Rubrik Penilaian¶

Distribusi Bobot Penilaian¶

Detail Kriteria Penilaian¶

🏆 Kelengkapan (35%)¶

📊 Kualitas Visualisasi (20%)¶

🧠 Analisis & Interpretasi (30%)¶

📝 Kerapihan & Struktur (10%)¶

🎯 Orisinalitas & Penguasaan (5%)¶

Proporsi Penilaian Total¶

Aturan Kejujuran Akademik¶

📖 Penggunaan Referensi & AI yang Diperbolehkan¶

⚠️ Syarat & Batasan WAJIB¶

❌ Pelanggaran yang Berakibat Nilai 0¶

🎯 Persiapan Presentasi Acak¶

Panduan Pengumpulan¶

📁 Berkas yang Harus Dikumpulkan¶

Wajib:¶

📅 Informasi Pengumpulan¶

✅ Checklist Sebelum Submit¶

Export ke PDF:¶